基于遗传BP神经网络的非平稳时间序列预测

BP网是神经网络时间序列预测方法中最常用的网络。针对BP算法局部搜索能力强,而遗传算法全局搜索优势突出的特点,将二者结合构造遗传BP神经网络,用于非平稳时间序列预测。仿真结果表明,该混合算法不仅提高了学习效率,而且对太阳黑子数预测的准确性高于BP算法、传统统计学预测方法。     

BP神经网络在非线性时间序列预测中的应用

利用神经网络的Kolmogorov连续性定理建立了时间序列对象的预测模型，并对基于本模型的数据处理方法进行了探讨。通过对2002年深沪上市公司国有股数量的预测，证实了本模型的正确性和科学性。     

基于RBF神经网络的时间序列预测

分析了RBF神经网络的结构和学习算法,利用RBF神经网络和Matlab神经网络工具箱建立人口数量预测模型,并应用该模型对中国人口数量进行了预测.     

基于改进BP神经网络的混沌时间序列预测方法对比

针对BP神经网络预测混沌时间序列存在的易陷入局部极小值和收敛速度较慢的问题,选取了两种改进预测模型,即GA-BP预测模型和PSO-BP预测模型。并将这两种模型对Lorenz混沌时间序列进行了预测比较实验。实验表明,两种改进模型比BP神经网络预测模型具有更好的预测性能,并且PSO-BP预测模型较GA-BP预测模型的预测精度更高。     

非线性时间序列预测的BP神经网络方法及应用

针对在非线性时间序列的BP神经网络建模预测的基本方法中,存在的建模速度慢,计算较复杂等问题,提出一种改进的BP神经网络动态建模与预测方法,并运用该方法对一非线性时间序列进行了仿真,仿真结果表明此方法的实际应用效果较好。     

基于时间序列模型与BP神经网络的深圳近岸海域富营养化预测

本文根据2013—2017年夏季(8月)深圳近岸海域水质监测数据资料,采用营养质量指数法对深圳近岸海域富营养化状况及其变化趋势进行评价,并建立时间序列预测模型与BP人工神经网络模型分别对该海域2018年无机氮、活性磷酸盐、化学需氧量和叶绿素a含量进行预测,并根据预测结果利用营养质量指数法对2018年深圳海域富营养化水平进行预测,同时根据预测结果对深圳海域营养盐结构进行分析,识别东西部海域的富营养化限制因子,据此提出富营养化水平的改善建议。研究结果表明：2013—2017年深圳近岸海域富营养化水平一致表现为西部海域偏高,东部海域偏低的特征,其中珠江口海域在5年间的平均富营养化水平最高,其余依次为深圳湾＞大鹏湾＞大亚湾。2018年富营养化水体基本出现在西部海域,东部海域整体富营养化水平较低,已贫营养水平为主。富营养化高风险区主要分布在西部海域,其中茅洲河口与深圳湾海域富营养化风险尤为高,建议在上述区域进行富营养主要因子无机氮和活性磷酸盐的管控,以期降低富营养化发生概率。针对东部海域沙头角湾和坝光海域表现为中营养水平的情况,建议对上述海域进行无机氮和活性磷酸盐的防治,以达到保持海域营养水平现状的目的。     

基于BP神经网络的混沌时间序列预测方法及应用研究

神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来表达.为解决这个问题,在非线性动力系统中,根据混沌理论重构相空间,通过最大Lyapunov指数判定时间序列是否存在混沌现象,存在则通过G-P算法计算出混沌吸引子的关联维数,进而获得相空间的嵌入维数作为神经网络的神经元个数.通过上述方法对铝现有价格进行建模,验证该方法对时间序列的短期预测有较好的精度,在此基础上,对未来一段时间铝价格进行预测.     

基于Elman神经网络的时间序列股票价格短期预测

Elman神经网络是一种典型的回归神经网络,比BP神经网络具有更强的计算和适应时变特性的能力,因而非常适用于预测股市这一类极其复杂的非线性动力学系统。文章给出一种基于Elman神经网络的股票市场建模、预测及决策方法,对浦发银行股价在时间序列上作了连续若干天的短期预测,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

基于Elman神经网络的气温时间序列预测

利用动态递归Elman神经网络的具有结构简单,运算量少,适合于动力系统辩识等特点,对Logistic混沌映射时间序列及气温时间序列进行了预测,并分析了预测误差。结果显示Elman神经网络对非线性时间序列具有良好的预测特性。     

基于遗传算法的神经网络金融时序预测的研究

基于简单遗传算法的神经网络训练速度慢、易陷入局部极值,用具有较好的全局搜索能力自适应遗传算法来优化神经网络权值和国值,设计了基于自适应遗传算法的BP神经网络的股票预测系统．该系统根据对股票历史数据分析,预测股价未来几天时间的走势．结果表明,改进算法具有很强的可行性和高效性．     

基于神经网络的可靠度时序预测方法研究

提出了利用人工神经网络进行可靠度时序预测的方法 ,分别利用径向基函数 (RBF)网络及自适应模糊神经 (ANFIS)网络对发动机涡轮增压器进行了可靠度的时序预测 .结果表明 ,利用神经网络进行可靠度时序预测是可行的 ,并且ANFIS的预测能力要优于RBF .     

智能神经网络在时序信号预测上的应用

从80年代开始，人工神经元网络的研究技术在理论和实际应用上已经比较成熟，在信号处理系统中也开始采用该技术进行非线性时间序列信号的预测分析。但由于该理论黑箱模型的特点，无法引入先验知识，从而预测精度难以提高。针对该问题，提出了通过滚动预测的方法，并引入了一种智能化的新型神经元模型，建立区别于传统的神经网络预测模型，达到了较为理想的预测效果。并且以股票价格的预测作为实验模型，对该方法进行了验证，表明了它的实际应用价值。     

一种基于小波网络的混沌时间序列判定

在对混沌时间序列与随机序列的不同特征进行分析的基础上,提出一种可对二者予以区分的判定算法.并结合具有优异特性的小波函数,构造一种小波神经网络.最终给出基于小波网络的集成的混沌时间序列判定-预测算法.     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

基于RBF神经网络的水闸垂直位移时间序列预测模型

水闸垂直位移是水闸安全的重要特征之一.针对传统水闸垂直位移预测模型的不足,提出了基于RBF神经网络的时间序列预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,使得预测精度大大提高.利用Matlab的RBF神经网络工具箱建立了垂直位移时间序列预测模型,并应用于实际工程中,取得了较高的拟合预报精度.     

基于RBF网络的金融时间序列预测

RBF网络是一种新颖有效的前向型神经网络,它通过非线性基函数的线性组合实现从输入空间RN到输出空间RM的非线性转换,特别适合于非线性时间序列如股票市场等金融系统的预测.本文以中集集团的实际收盘价作为预测对象,提出基于RBF网络的个股价格预测模型,仿真实验表明,该模型对于个股价格的短期预测是可行有效的.